Sigorta suistimallerinin makine öğrenmesi yöntemleri ile incelenmesi

Abstract

Sigortacılık sektörü güven ilişkisine dayalı doğası gereğince suistimale elverişli olan finansal sektörlerin başında gelmektedir. Sigortacılıkta yapılan suistimaller, başkalarına veya suistimali yapan kişiye yasal olmayan ya da hileli çıkarlar sağlamak amacıyla gerçekleştirilen eylemler olarak tanımlanmaktadır. Sigorta şirketlerinin kârını azaltarak önemli kayıplara yol açan, şirketlerin fiyatlandırma stratejilerini ve sosyal ekonomik faydalarını olumsuz etkileyen, diğer taraftan masum sigortalıların daha fazla prim ödemelerine neden olan sigorta suistimalleri, tüm Dünya’da olduğu gibi Türkiye’de de önemli bir sorun haline gelmiştir. Buradan yola çıkılarak bu çalışmada, Türk sigorta sektöründe önemli bir paya sahip olan kasko sigortasına ait, Sigorta Bilgi ve Gözetim Merkezi bünyesinde faaliyet gösteren Sigorta Sahteciliklerini Engelleme Bürosu’ndan temin edilen, maddi hasar dosyalarında yapılan suistimallerin, Makine Öğrenmesinin bir türü olan Topluluk Öğrenmesi yöntemlerinden Bagging, Random Forest, AdaBoost, Gradient Boosting ve XGBoost yöntemleri yardımıyla tespit edilmesi amaçlanmaktadır. Analiz kapsamında kullanılan yöntemlerin kasko sigortasındaki suistimallerin tespitine yönelik performansları Doğruluk, Cohen Kappa İstatistiği, Duyarlılık, Belirleyicilik, Kesinlik, F Ölçütü ve ROC eğrisi altında kalan alanı ifade eden AUC ölçümlerimden elde edilen değerlere göre karşılaştırılmıştır. Sonuç olarak tüm yöntemlerin, kasko sigortası suistimallerinin tespitinde iyi performans gösterdikleri, XGBoost ve AdaBoost yöntemlerinin ise en iyi performansı sergilemiş oldukları belirlenmiştir.

The insurance sector is one of the financial sectors that is susceptible to fraud due to its nature based on trust. Fraud in insurance is defined as actions taken to provide illegal or fradulent benefits to others or the person committing the fraud. Insurance frauds, which cause significant losses by reducing the profits of insurance companies, negatively affect the pricing strategies and social economic benefit of companies, and, on the other hand, cause innocent insured people to pay more premiums, have become an important in Türkiye, as well as all over the World. Based on this, in this study, data obtained from the Insurance Fraud Prevention Bureau operating within the Insurance Information and Surveillance Center of the motor insurance, which has a significant share in the Turkish insurance sector, was used. It is aimed to detect fraud in property damage files with the help of Bagging, Random Forest, AdaBoost, Gradient Boosting and XGBoost methods, which are Ensemble Learning methods, which are a type of Machine Learning. The performances of the methods used within the scope of the analysis for detecting frauds in motor insurance were compared according to the values obtained from Accuracy, Cohen Kappa Statistics, Recall/ Sensitivity, Specificity, Precision, F Score and AUC measurements, which express the area under the ROC curve. As a result, it was concluded that all methods performed well in detecting motor insurance frauds, and XGBoost and AdaBoost methods exhibited the best performance.